Selfservice Business Intelligence tools vormen het hart van de Digitale transformatie. Doordat hiermee toegang en interpreteren van data door velen binnen de organisatie mogelijk is geworden leidt dit tot zeer goede resultaten en langetermijn groei. De gebruiker is met het concept van selfservice veel minder afhankelijk van de tussenkomst van de, veelal overbelaste, IT-afdelingen.
Selfservice Business Intelligence initiatieven zorgen ook voor een puinhoop in de data als je dit proces niet strak begeleid en niet automatiseert. De niet-technische gebruikers hebben niet eens door dat zij deze puinhoop veroorzaken tijdens het gebruik van de data.
Je kunt pas goed de grote meerwaarde van Selfservice business intelligence behalen als je het data management proces automatiseert. Ondersteund door getalenteerde data- en business intelligence experts.
Hiervoor brengen wij een geautomatiseerde tool op de markt, het Data Automation Framework. Gebaseerd op Python en SQL en geschikt voor toepassing voor Oracle-, SQL, PostgresSQL en Snowflake databases. Voor andere databases kunnen wij de tool eenvoudig aanpassen. Neem voor meer informatie en een demo gerust contact met ons op.
Het datamanagement proces bestaat uit 4 onderdelen:
| 1. | Data verzamelen | Toegang verschaffen tot alle relevante data, ongeacht welke of waar ze zich bevindt |
| 2. | Data integratie | Integratie van verschillende databronnen uit de hele organisatie |
| 3. | Data klaarzetten | Het extraheren, transformeren en klaarzetten van data voor analyse |
| 4. | Data governance | Het bevorderen van compliance, beveiliging, nauwkeurigheid en daarmee het vertrouwen in de data |
1. Data verzamelen
Self-service business intelligence is een essentieel onderdeel van digitale transformatie voor veel afdelingen binnen een organisatie, van financiën, marketing en sales tot operations en HR. Om de maximale waarde te halen, moet de IT-afdeling erop kunnen vertrouwen dat iedereen toegang heeft tot alle relevante data, ongeacht welke data of waar zij te vinden is.
Verkoopdata kunnen staan in CRM-systemen of in een set Excel-spreadsheets. HR kan zijn begonnen met het gebruik van een SaaS HRM-tool, waarbij alle bijbehorende data veilig zijn in de cloud. ERP-data kan zich bevinden on premise. Er zullen ook allerlei databases met legacy-data zijn. Ofwel veel databases die op verschillende manieren benaderd moeten worden.
Het is voor de meeste organisaties een stevige uitdaging om al deze data te lokaliseren, beschikbaar te maken en samen te brengen. Niet alleen omdat dat enorm veel data is, opgeslagen in vele databronnen, maar ook omdat ze in verschillende formaten en op verschillende platformen aanwezig zijn.
Dit leidt vaak toe dat men de data uit een aantal makkelijker toegankelijker bronnen wel verzamelt, maar de meer technisch complexe bronnen laat voor wat ze zijn. Omdat dat veel te veel werk is.
Daar komt bij dat dit werk vaak handmatig wordt uitgevoerd. Dat is qua omvang en complexiteit vaak niet te doen, en voor de eenvoudiger toegankelijke databases loop je natuurlijk ook het risico op menselijke fouten.
Dus de conclusie is dat een geavanceerd, geautomatiseerd en schaalbaar proces van dataverzameling een eerste levensvoorwaarde is voor een succesvolle, datagedreven organisatie.
2. Data-integratie
Data stroomt vanuit alle hoeken van de organisatie: van financiën tot marketing, sales tot HR. Data heeft beperkte waarde doordat ze in ‘silo’s’ is opgeborgen. Hierdoor ontstaat de noodzaak tot het integreren van data. Om één beeld van de klant, van het proces en dergelijke te krijgen.
Maar de data-infrastructuren van organisaties zijn allemaal verschillend. Naarmate bedrijven groeien, groeit ook hun data- en IT-infrastructuur. Bepaalde onderdelen van een organisatie gebruiken de nieuwste versie van de ERP-software van één leverancier. Andere organisatieonderdelen gebruiken een online platform met afzonderlijke exemplaren van een oude versie van Microsoft Dynamics. Waar de verschillende soorten data zich bevinden en in welk formaat is de belangrijkste vraag van data integratie. Het kan gaan om meerdere ERP-, CRM- of HR-systemen binnen een organisatie. Dit maakt data-integratie lastig. Iets wat je ook niet handmatig moet uitvoeren. Omdat dit vaak inefficiënt is en leidt tot onjuiste resultaten. Beveiliging en governance is op deze manier ook moeilijk af te dwingen.
Alleen met goed geïntegreerde data kan ‘oorzaak en het effect’ van beslissingen en feiten worden bepaald. Pas dan kunnen organisaties continue verbeteringen doorvoeren in processen, producten en diensten. Data-integratie vereenvoudigt bovendien databeveiliging en datagovernance.
Om goede data integratie te bereiken zijn er flinke uitdagingen:
| 1. | Organisaties lopen in de Big Bang valkuil | Het is verleidelijk om alle aspecten van data-integratie allemaal tegelijk aan te pakken (big bang), maar die aanpak is meestal niet kosteneffectief |
| 2. | Het verwaarlozen van de mogelijkheid om te automatiseren | Organisaties zijn van oudsher gewend aan handmatige data integratie. Maar hoe minder handmatig, hoe kleiner de data-integratie uitdagingen |
| 3. | Drill-down van rapportages alleen mogelijk bij diepe integratie | Om drill-down rapportages te ondersteunen, moeten data op het diepste niveau worden geïntegreerd. Dat is handmatig een stevige klus |
| 4. | Inconsistentie van de data | Data moet actief worden gecontroleerd, niet alleen in de ontwerpfase van de data integratie, maar zeker ook in de gebruikersfase. Door de lange doorlooptijd hebben gebruikers daar geen trek meer in. Ze willen aan de gang met de data. Uiteindelijk leidt dit tot vermindering van vertrouwen in de data |
| 5. | Uitdagingen met het begrip van het gevarieerde data-(base)landschap | Het is een uitdaging om collega’s dan wel leveranciers te vinden die het gevarieerde data-(base)landschap goed begrijpen en weten hoe ze een oplossing moeten ontwerpen. En overdragen aan de (rest van de) organisatie |
Geautomatiseerde data-integratie is in veel gevallen de enige weg om kwalitatief goede data te verkrijgen. Automatiseren gaat allemaal veel sneller, goedkoper en elimineert menselijke fouten. En brengt meteen sterk verbeterde databeveiliging en -governance.
Bovendien wordt de data transformatie elke keer ook op dezelfde manier uitgevoerd, wat een constante stroom van vergelijkbare nuttige informatie oplevert.
3. Data klaarzetten
Dit gaat om de extractie en transformatie van data zodat de data klaar is voor analyse en visualisatie, processen uit te voeren door jullie data- en business intelligence experts. Deze processen kosten zeer veel tijd. En zijn foutgevoelig. Onderzoek uitgevoerd door TDWI Research maakt duidelijk dat 50% van de ruim 2000 Business Intelligence professionals aangeeft meer tijd te besteden aan het voorbereiden van de data voor gebruik dan het gebruik ervan.
Automatisering vindt bijvoorbeeld plaats door gebruik te maken van vooraf gebouwde sets van extract, transformeren en laad (ETL) routines. Of door gebruik te maken van data virtualisatie. Waarover in een ander artikel meer. Het gebruik van deze innovatieve software technologieën geeft een groot concurrentievoordeel. Het gaat erom de herhaalbaarheid en consistentie van de processtappen te vergroten door het opnieuw gebruiken van onder andere scripts en workflows.
Een organisatie kan zoveel gemakkelijker een groter deel van de bronnen ontsluiten en voorbereiden. En met veel meer kwaliteit, want menselijke fouten zijn voor een grotendeels geëlimineerd.
4. Datagovernance
AVG, steeds veranderende wettelijke vereisten, beveiligingslekken… Data governance is dagelijks in het nieuws. De AVG is een belangrijke veroorzaker van potentiële risico’s. Het managen van de data kan snel op ellende uitlopen: meerdere versies van de data in verschillende silo’s opgeslagen, fouten in de autorisatie voor toegang en dergelijke zijn een nachtmerrie voor IT, klantenservice en vele anderen.
Het vermijden van menselijke fouten, het vermijden van klachten van klanten, verlies van data of zelfs het vermijden van juridische stappen… Het neerzetten van een goed datagovernance proces wordt vaak als iets negatiefs gezien, om het ergste te voorkomen.
Maar een sterk, samenhangend, geautomatiseerd en geavanceerd datagovernance proces brengt veel voordelen met zich mee. Dit vormt de kern van klantvertrouwen en compliancy. Hoe meer handmatige handelingen in dit proces worden geëlimineerd hoe efficiënter en geavanceerder en ook betrouwbaarder de data en de datagovernance. Geautomatiseerde, software-gebaseerde datagovernance is ook relatief eenvoudig te implementeren. En is een kosteneffectieve oplossing voor de vele organisaties die op dit moment helemaal geen datagovernance hebben ingericht.
Onderzoek toont aan dat organisaties die datagovernance tools hebben geïmplementeerd 20% lagere operationele kosten hebben.
Wij brengen een geautomatiseerde tool op de markt, het Data Automation Framework. Gebaseerd op Python en SQL en geschikt voor toepassing voor Oracle-, SQL, PostgresSQL en Snowflake databases. Voor andere databases kunnen wij de tool eenvoudig aanpassen.
De belangrijkste conclusies
- door automatisering van de datamanagement processen is het mogelijk om op een zeer veilige, eenvoudige en efficiënte manier verbinding te maken met verschillende databronnen. Dit als alternatief voor het handmatig voorbereiden van data voor analyse met selfservice BI, of het rechtstreeks verbinding maken met brondatabases.
- Het automatiseren helpt selfservice BI gebruikers complexe analyses uit te voeren zonder dat hun werk gevolgen heeft voor de prestaties of de integriteit van de onderliggende databases. Wat zonder automatisering vaak wel het geval is.
- Het uiteindelijk resultaat hiervan is dat gebruikers zodoende hun vrijheid herwinnen om meerdere, geïntegreerde databronnen te verkennen en te analyseren en eerder verborgen inzichten te ontdekken. De basis voor het halen van zeer goede resultaten en langetermijn groei.
Meer weten?
Wil je meer weten over het automatiseren van het data management proces? Neem dan gerust contact met ons op voor meer informatie en een demo
